2025-02-26 23:47 广东
今天市场消息：阿里光模块招标爆了，半年（2 月到 8 月）接近 500 万，400G ，去年同期 100 万，五倍（此前预期 2-3 倍），主要供应商光迅科技、华工科技、海光芯创（非上市）、海信宽带（非上市）。
截止目前，阿里招标结果尚未公布，但预期本周落地。本质招标采购数量约500万只（此前400万只单模：多模为6：4，后面多模数量上调，单多模比例约5：5），招标执行周期约为半年，要求光模块厂商在9月之前交付。
供应份额正式结果尚未发布，但可重点关注光迅、华工、旭创、新易盛
- 阿里：重点关注#光迅（24年的一供）、旭创、华工、联特（200g）等上市公司，及海信宽带（国内市场份额较大）、索尔思等非上司企业。此前不做国内市场的新易盛本质也导入阿里，预计能拿到可观份额。
- 腾讯：预计近两周发布采购指引，预计25年需求约200万只400G及传统云业务配套的200G，不同于传统封装形态，腾讯以BR4硅光为主。供应商相对集中，包括#海信、光迅、旭创。
- 字节：去年底已针对字节年度标详细梳理，不排除后续有增补性订单。主要供应商包括海信、光迅、旭创、海思、华工等。
阿里另一件值得关注的大事：阿里万相大模型正式开源，多模态平权已来！
事件：昨晚阿里云视频生成大模型万相2.1（Wan）重磅开源，此次开源采用Apache2.0协议，14B和1.3B两个参数规格的全部推理代码和权重全部开源。
1）能力优秀，目前全球第一
2）生成的图和视频，能够理解物理规律
3）首个具备支持汉字文字生成能力，支持中英文文字特效
4）很轻，4090就能本地化部署
1、14B 万相模型在指令遵循、复杂运动生成、物理建模、文字视频生成等方面表现突出。在评测集 VBench 中，万相 2.1 以总分 86.22% 的成绩大幅超越 Sora、Luma、Pika 等国内外模型，稳居榜首位置。
2、1.3B 版本测试结果不仅超过了更大尺寸的开源模型，甚至还接近部分闭源模型，同时能在消费级显卡运行，仅需 8.2GB 显存就可以生成高质量视频，适用于二次模型开发和学术研究。
3、技术创新：
- 基于 DiT 架构和 Flow Matching 范式；
- 研发高效因果 3D VAE 和可扩展预训练策略；
- 实现特征缓存机制，支持无限长 1080P 视频编解码；
- 通过空间降采样压缩，减少 29% 内存占用。
【阿里多模态专家解读】
核心要点：
1.端到端能生成长视频产品，架构主流
2.中文生字领域开创先河，视频/图片生成涉及中文尤其是毛笔字有优势，可控性突破，支持中文混合，细节一致性好
3.可控性需参考图片和提示词共同作用，优质提示词和模型可控性可助生成优质连续画面，应用于广告级视频生成等，能精确模拟多种真实物理现象。
4.该产品可避免角色肢体流出画面，实现复杂场景高仿真特效，将广泛应用于电影、广告、娱乐文化、科技、科学实验视频等领域。
中文生成是通过购买有版权字体方授权，获取汉字数据以图片形式喂给模型，预训练拆解像素块学习形成图片配对，避免版权冲突。模型能一笔一划生成文字，因投入大量真人演示写字视频作为训练素材，让模型掌握字体书写方法，具备语义理解和生成能力。后续客户可以根据需求购买字体发挥创作。
在视频生成主体一致性与过渡帧方面，万相工具链通过扩展用户输入为详细样本，利用参考图创作，反复生成画面并控制动作，以及抽取关键帧延展等方式保持连贯性，阿里用大量数据保持物理规律匹配。
阿里3年规划3800亿，今年大概1100-1200亿。具体分成以下几块：1、30%海外，包括泰国等新拓展的市场。这些新市场的基础设施已经完备，因此一旦业务开展，我们便需购置设备并投入使用。2、国内中服务器 65%-70%是 GPU，里面一部分是 H20，今年国产会有比较大的倾斜，包括海光深算、昇腾、寒武纪、平头哥。此外，我们在自建和租赁机房中也投入了一定的比例。这些资金包括了我们刚才提到的海外支出以及国内采购的费用，剩余的15%到20%的资金则用于租赁机房等服务。
专家发言：
通义万相 2.1 有几个显著特点：首先，它是一款能够生成长视频的端到端产品。从架构上来说，它采用了主流的架构。在文生视频和图片视频领域，主要难点包括中文处理。在生成视频时，例如人物走在街道上，比如在台湾街上走，两侧会有许多广告牌，包括人物的衣服和商店招牌上都有中文。但现有的模型，包括 Sora 以及其他视频模型，最困难的是在生成中文时会出现模糊或难以理解的字符。这些字符既不像是简体字，也不像繁体字。AI在处理中文视频时，尤其是在生成汉字时，变形问题尤为突出，尤其是毛笔字更容易发生变形。视频生成中的第二个难点是处理运动速度较快的场景，例如滑板车在马路上疾驰或进行高速跳跃和翻滚等动作。这些快速运动和复杂的动态变化会导致画面变形，对视频生成技术构成挑战。技术难点包括在物理碰撞过程中出现违背物理规律的情况，这是目前 AI技术尚未取得有效突破的领域。
它在中文生字领域开创了先河。特别是在视频生成领域，涉及到中文，尤其是毛笔字这类字体时，它具有显著优势。也就是说它在可控性方面取得了进一步的突破。万相从仅支持中文到支持中文混合，也就是说，无论画面中出现何种字体，我们都能够进行处理。
此外，在细节一致性方面，无论是小猫的毛发、胡须还是指甲的细微颗粒度，甚至是鞋子的鞋带，都能呈现出更为细致的效果。可控性方面，需要参考图片和提示词共同作用以生成视频。提示词会专门引导生成专业级的引导词，提示词。借助优质的提示词和模型的可控性，可以协助生成更优质、连续的画面。这些画面将应用广告级别的视频生成，包括创意样片的生成，均会用到这些技术。包括模拟多种真实的物理现象，如电气水花，滑冰时冰刀与地面摩擦产生的碎屑，以及大幅肢体运动如花样滑冰、跳水时产生的水花等细节，都能得到精确的模拟。这种模拟效果能够避免角色的肢体流出画面，尤其在需要多镜头切换时。对于有碰撞、反弹、挤压等复杂场景的制作，万相能够实现高仿真的特效，为观众带来全新的体验。此版本将广泛应用于电影制作、广告制作、娱乐文化制作、科技以及科学实验视频等领域。
有个测评平台叫 Vbench，他是全球领先的视频模型测评网，16 个维度，目前它排第一。后续阿里会持续发布新的模型，这些发布不仅仅是体验版，而是可以直接赋能行业，包括电影工业和广告等需要深度赋能的行业。同时，它也会发布一些工具，例如像 studio 这样的工具平台。这个工具平台依托于模型，能够将我们生成模型通过后期编辑，使整个画面连贯。通过这种方式，一段视频可以被拼接和编辑成一个连贯的视频，形成一个完整的链路。该产品未来将在我们的平台上以 API 的方式开放给多个行业使用，同时，它还将构建一个供应链，使这些行业能够直接在其工具中使用我们的服务。这包括广告海报插图、产品设计样稿，以及电影和广告样片的制作。在此之前，该技术已与时代华纳等多家知名影视公司的工作室深度合作，赋能视频生产从业者。
问答环节：
Q：中文生成是如何实现的？
A：这类视频生成模型对语料和新数据有一定的要求。在这个赛道上，我们说中国有上百种不同的字体，这些字体有的有版权，有的有 IP。针对字体，我们会需要从这些有版权的字体方去购买授权，让他们提供汉字的各种数据，我们有上万种汉字，每个汉字不同的字体，让字体以图片的形式喂给模型。在模型化过程中，会采用预训练的方式，将图片拆解为更小的像素块，并通过学习形成图片配对。也就是说，当未来用户输入涉及到特定字体时，系统会根据训练过的各种字体进行映射。为了在生产过程中避免版权冲突，对于艺术字中的中文生成，实际上需要购买具有版权的数据。首先，为了避免未来可能出现的与现有字体或版权相关的新字体的冲突，以及由此带来的 IP 纠纷，我们在数据处理阶段就解决法务问题，以避免模型生成过程中产生的法律争议。后续客户也可以根据购买字体版权进行商用创作
Q：根据一些案例，模型甚至能一笔一划地完成整个文字的生成过程。在这一领域是否有一些新的技术实现？
A：我们过去在字体设计上投入了大量的视频资源，这些视频由真人演示，将各种字写一 遍并录好视频，录好以后作为模型训练的素材。未来，当用户需要生成类似风格的字体时，系统能够根据这些视频资料还原出原始字体，并在此基础上加入创意。比如，你可以在空 中写，可以在天空写，可以在云彩上写，或者任何你想象得到的地方进行创作。这背后的 核心是从我们现实中录制的视频中学习到的能力，让模型掌握各种字体的书写方法，从而 具备语义理解和生成能力。
Q：在视频生成中需要考虑主体的一致性和过渡帧等问题，万相在工具链里采用了什么样的方法？
A：首先，关于提示的生成，用户可以输入纯文本的延时 prompt，同时，我们会将这些输入扩展为一个剧本，或者称为故事脚本。因为普通用户在编写提示时，可能只提供一句话描述，例如，“一只猫在海边奔跑”或“一只狗与主人在岸边行走”。这样的简短描述会被 AI扩展成包含数百个字的详细样本。这个脚本会包括背景光线、人物、环境和角度等元素，将其转化为 AI 能够理解的格式，然后 AI 才能进行生成。在这个过程中，扩展脚本是一个比较重要的步骤。第二点，它会利用用户的参考图进行创作。例如，如果用户有一张原始图片，比如一张碟子和一只狗的图片，并要求将狗生成动画，AI 会解析这张图片，并根据用户的提示词，运用决策树加入生成过程。生成过程就像人类绘画一样，先画草图，然后 AI 会反复生成不同的画面，从模糊到清晰。在这个过程中，AI 的 control net 等组件会控制其动作，使其越来越符合用户的信息需求。相当于在作图过程中有一个导师指引它应该往哪个方向创作。这样可以避免 AI 创作的图像与预期相差甚远，更加符合人类的原始意图。现在的 AI 正在朝着更可控的方向发展，使得它创作出的作品与真实的场景更加接近，更加可控。
相当于作图过程中有个导师指导，可以避免 AI 创作的图像与预期相差甚远，更符合人类的意图。现在的 AI 正朝更可控的方向发展。第二是在过渡帧上，比如先生成一个 30 秒的视频，会把 30 秒内的关键帧抽取出来，作为下一个 30 秒的输入去延展，这样能够保证前面的人物、角色、动作等，在后面 30 秒内能够保持连贯性。本身 diffusion transformer 它主要需要解决三个问题：过渡帧、分辨率和连贯性。这个在之前文生图已经解决完了，现在到了视频领域，最重要的是通过脚本扩展的方式扩展输入，进而保持连贯性。另外阿里在大模型里面用了大量数据去保持物理规律的匹配，避免随着时间拉长出现画面扭曲或违反物理规律。
Q：这种方式会不会带来经过多轮生成拼接后，后面的对话输入的 tokens 数量指数级增长？
A：对的。比如 720P=1280*720 ，按照 28*28 是一个像素， 那么对应 720P 一帧是 1200tokens 左右，按 30fps，10s 的视频，tokens36 万。如果是 1080P，一帧是 2650,按 30fps，10s，差不多近 80 万 tokens。
Q：真正具备实用性的 fps 是不是要更大一些？
A：这块是可以设置的，日常能看到的像 45,60 都有，分辨率越大对帧率要求越高，分辨率越小帧率要求就越低。
Q：视频生成这块如何定价？
A：如果按 tokens 计算，1 分钟的 1080P 视频，480 万 tokens。按百万 16 块算，定价大概80 块钱。但实际上通义这边的收费是按生成视频的时间计算，现在定价是 0.7 元/s 计算。
Q：目前我们有哪些 AI 视频的工具链工具，像后期什么的会涉及吗，后续有规划下一个抖音或快手的想法吗？
A：这个产品是阿里云做的，阿里云更多的赋能 B 端客户。目前的规划是先做一个 studio，目前的工具包括视频生成、拼接，后面像配字幕、声音都需要慢慢迭代。产品主要面向设 计公司、广告和影视行业，比如华策影视、中国电影、博纳影业等等。像博纳影业我们给 他开发一个 AI 导演助手的产品，帮助他们进行切片处理，利用该工艺进行剪辑和合成。阿 里云目前没有C 端的规划，C 端由智能信息事业群负责。
Q：B 端客户的使用反馈怎么样？
A：过去拍电影，他们需要申请电影版号，去拍 10 分钟的样片，这个需要真人去拍。现在只需要演员在工作室拍一下，再后期制作，就可以以比较低的成本把样片拍出来，再去申请版号，这样前期的成本就比较低。像封神第二部战火西岐都有 AI 制作的元素在里面。这些素材在产品发布后，首先将深度赋能特效工作室，让他们将这些素材融入到样片乃至正式电影的制作流程中，以协助他们完成制作。
Q：AI 在这些电影替代了哪些部分？
A：一些创意场景，不大好进行拍摄场景。里面会有一些特效，去做 AI 生成。
Q：阿里 3 年 3800 亿，25 年的规划，以及视频生成模型是否会让阿里上调预算。
A：今年大概 1100-1200 亿。具体分成以下几块：1、30%海外，包括泰国等新拓展的市场。这些新市场的基础设施已经完备，因此一旦业务开展，我们便需购置设备并投入使用。2、 国内中服务器 65%-70%是 GPU，里面一部分是 H20，今年国产会有比较大的倾斜，包括海 光深算、昇腾、寒武纪、平头哥。此外，我们在自建和租赁机房中也投入了一定的比例。 这些资金包括了我们刚才提到的海外支出以及国内采购的费用，剩余的 15%到 20%的资金 则用于租赁机房等服务。从增长来说，不会因为万象出来后就会提升，因为这部分已经在 规划的时候预测到了。
Q：最近大厂加采H20 的原因，是否会带来今年 H 卡和国产卡采购结构发生大的改变。
A：主要是政策收紧，未来英伟达不怎么做了。H20 价格是 H100 一半，但硬件是一样，利润更低。现在大家收库存都是有多少收多少的想法，但阿里这边估计也就几万卡。
